Kafka是分布式发布订阅消息系统。
Kafka是世界第一消息中间件。
2、为什么要使用 kafka,为什么要使用消息队列缓冲和削峰:
上游数据时有突发流量,下游可能扛不住,或者下游没有足够多的机器来保证冗余,kafka在中间可以起到一个缓冲的作用,把消息暂存在kafka中,下游服务就可以按照自己的节奏进行慢慢处理。
解耦和扩展性:
项目开始的时候,并不能确定具体需求。消息队列可以作为一个接口层,解耦重要的业务流程。
只需要遵守约定,针对数据编程即可获取扩展能力。
健壮性:
消息队列可以堆积请求,所以消费端业务即使短时间死掉,也不会影响主要业务的正常进行。
异步通信:
很多时候,用户不想也不需要立即处理消息。消息队列提供了异步处理机制,允许用户把一个消息放入队列,但并不立即处理它。想向队列中放入多少消息就放多少,然后在需要的时候再去处理它们。
3、Kafka中的ISR、AR又代表什么?ISR的伸缩又指什么ISR:
In-Sync Replicas 副本同步队列
AR:
Assigned Replicas 所有副本
ISR是由leader维护,follower从leader同步数据有一些延迟(包括延迟时replica.lag.time.max.ms和延迟条数replica.lag.max.messages两个维度, 当前最新的版本0.10.x中只支持replica.lag.time.max.ms这个维度),任意一个超过阈值都会把follower剔除出ISR, 存入OSR(Outof-Sync Replicas)列表,新加入的follower也会先存放在OSR中。AR=ISR+OSR。
4、kafka中的broker是干什么的broker 是消息的代理,Producers往Brokers里面的指定Topic中写消息,Consumers从Brokers里面拉取指定Topic的消息,然后进行业务处理。broker在中间起到一个代理保存消息的中转站。
5、kafka中的 zookeeper 起到什么作用,可以不用zookeeper么zookeeper 是一个分布式的协调组件。
早期:
早期版本的kafka用zk做meta信息存储,consumer的消费状态,group的管理以及 offset的值。
新版本:
新版本中逐渐弱化了zookeeper的作用。新的consumer使用了kafka内部的group coordination协议,也减少了对zookeeper的依赖,但是broker依然依赖于ZK,zookeeper 在kafka中还用来选举controller 和 检测broker是否存活等等。
6、kafka follower如何与leader同步数据Kafka的复制机制既不是完全的同步复制,也不是单纯的异步复制。
完全同步:
完全同步复制要求All Alive Follower都复制完,这条消息才会被认为commit,这种复制方式极大的影响了吞吐率。
异步:
而异步复制方式下,Follower异步的从Leader复制数据,数据只要被Leader写入log就被认为已经commit,这种情况下,如果leader挂掉,会丢失数据,kafka使用ISR的方式很好的均衡了确保数据不丢失以及吞吐率。
7、什么情况下一个 broker 会从 isr中踢出去leader会维护一个与其基本保持同步的Replica列表,该列表称为ISR(in-sync Replica),每个Partition都会有一个ISR,而且是由leader动态维护。
如果一个follower比一个leader落后太多,或者超过一定时间未发起数据复制请求,则leader将其重ISR中移除 。
8、kafka 为什么那么快(1)顺序写 由于现代的操作系统提供了预读和写技术,磁盘的顺序写大多数情况下比随机写内存还要快。
(2)Zero-copy 零拷技术减少拷贝次数。
(3)Pull 拉模式 使用拉模式进行消息的获取消费,与消费端处理能力相符。
(4)Batching of Messages 批量量处理。合并小的请求,然后以流的方式进行交互,直顶网络上限。
9、kafka producer如何优化打入速度(1)增加线程
(2)提高 batch.size
(3)增加更多 producer 实例
(4)增加 partition 数
(5)设置 acks=-1 时,如果延迟增大:可以增大 num.replica.fetchers(follower 同步数据的线程数)来调解
(6)跨数据中心的传输:增加 socket 缓冲区设置以及 OS tcp 缓冲区设置
10、kafka producer 打数据,ack 为 0, 1, -1 的时候代表啥, 设置 -1 的时候,什么情况下,leader 会认为一条消息 commit了(1)1(默认) 数据发送到Kafka后,经过leader成功接收消息的的确认,就算是发送成功了。
在这种情况下,如果leader宕机了,则会丢失数据。
(2)0 生产者将数据发送出去就不管了,不去等待任何返回。这种情况下数据传输效率最高,但是数据可靠性确是最低的。
(3)-1 producer需要等待ISR中的所有follower都确认接收到数据后才算一次发送完成,可靠性最高。当ISR中所有Replica都向Leader发送ACK时,leader才commit,这时候producer才能认为一个请求中的消息都commit了。
11、kafka unclean 配置代表啥,会对 spark streaming 消费有什么影响unclean.leader.election.enable 为true的话,意味着非ISR集合的broker 也可以参与选举,这样有可能就会丢数据,spark streaming在消费过程中拿到的 end offset 会突然变小,导致 spark streaming job挂掉。
如果unclean.leader.election.enable参数设置为true,就有可能发生数据丢失和数据不一致的情况,Kafka的可靠性就会降低。
而如果unclean.leader.election.enable参数设置为false,Kafka的可用性就会降低。
12、如果leader crash时,ISR为空怎么办kafka在Broker端提供了一个配置参数:unclean.leader.election,这个参数有两个值:
true(默认):允许不同步副本成为leader,由于不同步副本的消息较为滞后,此时成为leader,
可能会出现消息不一致的情况。
false:不允许不同步副本成为leader,此时如果发生ISR列表为空,会一直等待旧leader恢复,降低了可用性。
13、kafka的message格式是什么样的一个Kafka的Message由一个固定长度的header和一个变长的消息体body组成。
固定长度的header:
header部分由一个字节的magic(文件格式)和四个字节的CRC32(用于判断body消息体是否正常)构成。当magic的值为1的时候,会在magic和crc32之间多一个字节的数据:attributes(保存一些相关属性,比如是否压缩、压缩格式等等);如果magic的值为0,那么不存在attributes属性。
变长的消息体body:
body是由N个字节构成的一个消息体,包含了具体的key/value消息。
14、kafka中consumer group 是什么概念同样是逻辑上的概念,是Kafka实现单播和广播两种消息模型的手段。
同一个topic的数据,会广播给不同的group;同一个group中的worker,只有一个worker能拿到这个数据。换句话说,对于同一个topic,每个group都可以拿到同样的所有数据,但是数据进入group后只能被其中的一个worker消费。group内的worker可以使用多线程或多进程来实现,也可以将进程分散在多台机器上,worker的数量通常不超过partition的数量,且二者最好保持整数倍关系,因为Kafka在设计时假定了一个partition只能被一个worker消费(同一group内)。
15、Kafka中的消息是否会丢失和重复消费要确定Kafka的消息是否丢失或重复,从两个方面分析入手:消息发送和消息消费。
1. 消息发送
Kafka消息发送有两种方式:同步(sync)和异步(async),默认是同步方式,可通过producer.type属性进行配置。
Kafka通过配置request.required.acks属性来确认消息的生产:
(1)0---表示不进行消息接收是否成功的确认
(2)1---表示当Leader接收成功时确认
(3)-1---表示Leader和Follower都接收成功时确认
综上所述,有6种消息生产的情况,下面分情况来分析消息丢失的场景:
(1)acks=0,不和Kafka集群进行消息接收确认,则当网络异常、缓冲区满了等情况时,消息可能丢失
(2)acks=1、同步模式下,只有Leader确认接收成功后但挂掉了,副本没有同步,数据可能丢失
2. 消息消费
Kafka消息消费有两个consumer接口,Low-level API和High-level API:
Low-level API:
消费者自己维护offset等值,可以实现对Kafka的完全控制;
High-level API:
封装了对parition和offset的管理,使用简单;
如果使用高级接口High-level API,可能存在一个问题就是当消息消费者从集群中把消息取出来、
并提交了新的消息offset值后,还没来得及消费就挂掉了,
那么下次再消费时之前没消费成功的消息就“诡异”的消失了;
解决办法:
针对消息丢失:
同步模式下,确认机制设置为-1,即让消息写入Leader和Follower之后再确认消息发送成功;
异步模式下,为防止缓冲区满,可以在配置文件设置不限制阻塞超时时间,
当缓冲区满时让生产者一直处于阻塞状态。
针对消息重复:
将消息的唯一标识保存到外部介质中,每次消费时判断是否处理过即可。
16、为什么Kafka不支持读写分离在 Kafka 中,生产者写入消息、消费者读取消息的操作都是与 leader 副本进行交互的,从而实现的是一种主写主读的生产消费模型。
Kafka 并不支持主写从读,因为主写从读有 2 个很明 显的缺点:
(1) 数据一致性问题。数据从主节点转到从节点必然会有一个延时的时间窗口,这个时间 窗口会导致主从节点之间的数据不一致。某一时刻,在主节点和从节点中 A 数据的值都为 X, 之后将主节点中 A 的值修改为 Y,那么在这个变更通知到从节点之前,应用读取从节点中的 A 数据的值并不为最新的 Y,由此便产生了数据不一致的问题。
(2) 延时问题。类似 Redis 这种组件,数据从写入主节点到同步至从节点中的过程需要经历网络→主节点内存→网络→从节点内存这几个阶段,整个过程会耗费一定的时间。而在 Kafka 中,主从同步会比 Redis 更加耗时,它需要经历网络→主节点内存→主节点磁盘→网络→从节 点内存→从节点磁盘这几个阶段。对延时敏感的应用而言,主写从读的功能并不太适用。
17、Kafka中是怎么体现消息顺序性的kafka每个partition中的消息在写入时都是有序的,消费时,每个partition只能被每一个group中的一个消费者消费,保证了消费时也是有序的。整个topic不保证有序。如果为了保证topic整个有序,那么将partition调整为1。
18、消费者提交消费位移时提交的是当前消费到的最新消息的offset还是offset+1offset+1
19、如何防止消息丢失发送方:
ack是1 或者-1/all可以防止消息丢失,如果要做到99.9999%,ack设成all,把min.insync.replicas配置成分区备份数。
消费方:
把自动提交改为手动提交。
20、如何防止消息的重复消费一条消息被消费者消费多次。如果为了消息的不重复消费,而把生产端的重试机制关闭、消费端的手动提交改成自动提交,这样反而会出现消息丢失,那么可以直接在防治消息丢失的手段上再加上消费消息时的幂等性保证,就能解决消息的重复消费问题。
幂等性如何保证:
(1)mysql插入业务id作为主键,主键是唯一的,所以一次只能插入一条。
(2)使用redis或zk的分布式锁(主流的方案)。
发送方:
在发送时将ack不能设置0,关闭重试,使用同步发送,等到发送成功再发送下一条。确保消息是顺序发送的。
接收方:
消息是发送到一个分区中,只能有一个消费组的消费者来接收消息。
因此,kafka的顺序消费会牺牲掉性能。
消息积压会导致很多问题,比如磁盘被打满、生产端发消息导致kafka性能过慢,
就容易出现服务器雪崩,就需要有相应的手段:
方案一:
在一个消费者中启动多个线程,让多个线程同时消费。一一提升一个消费者的消费能力。
方案二:
如果方案一还不够的话,这个时候可以启动多个消费者,多个消费者部署在不同的服务器上。其实多个消费者部署在同一服务器上也可以提高消费能力一一充分利用服务器的cpu资源。
方案三:
让一个消费者去把收到的消息往另一个topic上发,另一个topic设置多个分区和多个消费者,进行具体的业务消费。
23、延迟队列延迟队列的应用场景:
在订单创建成功后如果超过30分钟没有付款,则需要取消订单,此时可用延时队列来实现。
(1)创建多个topic,每个topic表示延时的间隔。topic_5s/1m/30m:延时5秒/1分钟/30分钟执行的队列
(2)消息发送者发送消息到相应的topic,并带上消息的发送时间
(3)消费者订阅相应的topic,消费时轮询消费整个topic中的消息
如果消息的发送时间,和消费的当前时间超过预设的值,比如30分钟。
如果消息的发送时间,和消费的当前时间没有超过预设的值,则不消费当前的offset及之后的offset的所有消息都消费。下次继续消费该offset处的消息,判断时间是否已满足预设的值。



